Transfer Learning through Kernel Alignment : Application to Adversary Data Shifts in Automatic Sleep Staging
Transfert d’apprentissage par alignement de noyau : classification automatique des stades du sommeil
Résumé
This doctoral project aims at improving an automatic sleep staging system by taking into account inter-and-intra-individual variabilities, the latter having adversary effects on the classification. We focus on the detection of Rapid-Eye Movement periods during sleep. The core of our research is transfer learning and the selection of suitable detector(s) among a set, allowing the individualisation of the analysis by the exploitation of the observed data properties. We focus on the application of kernel alignment methods, firstly through the use of kernel-target alignment, studied here in a dual way, i.e. the kernel is fixed and the criterion is optimised with respect to the sought target labels. In a second step, we introduced kernel-cross alignment, allowing to take more efficiently advantage of the information contained in the training data. The ideas developed in the framework of this work have been extended to automatically selecting one or more efficient training sets for a given test set. The contributions of this work are both methodological and algorithmic, general in scope, but also focused on the application.
L’objectif de cette thèse est l’amélioration d’un système de classification automatique des stades de sommeil par la prise en compte des variabilités inter-et-intra individuelles, ces dernières ayant un effet détrimentaire sur la classification. Nous nous intéressons en particulier à la détection des épisodes de sommeil paradoxal au cours de la nuit. Nos recherches se focalisent sur le transfert d’apprentissage et la sélection de détecteurs adaptés, permettant l’individualisation de l’analyse par l’exploitation des propriétés des données observées. Nous avons focalisé nos travaux sur l’application des méthodes d’alignement de noyau, dans un premier temps au travers de l’utilisation du kernel-target alignment étudié ici de manière duale, c’est-à-dire à noyau fixé et optimisé par rapport aux étiquettes recherchées des données de tests. Dans un second temps, nous avons introduit le kernel-cross alignment, permettant d’exploiter plus fortement l’information contenue dans les données d’apprentissage. Les idées développées dans le cadre de ces travaux ont été étendues à la sélection automatique d’un ensemble d’apprentissage adapté à un ensemble de test donné. Les contributions de ces travaux sont à la fois méthodologiques et algorithmiques, à portée générale, mais également centrées sur l’application.
| Origine | Version validée par le jury (STAR) |
|---|